基于大數據的個性化學習研究文獻分析＊

周顯春，譚瑞梅

(1.三亞學院信息與智能工程學院，海南 三亞 572022；2.三亞學院法學與社會學學院)

0 引言

國務院總理李克強在2014年9月10日的夏季達沃斯論壇開幕式上提出“大眾創業、萬眾創新”，他認為這是中國經濟新的發動機、新引擎。創新能力，除了經濟、社會制度創新外，還需要培養人才方式的創新。

培養創新型人才需要采用個性化教育，因為對大學生進行個性化教育則是實現這一重要任務的根本途徑，唯有因材施教才能使人的潛在能力得到充分發揮[1-2]。目前，盡管教育體制和人才培養方式較完善，在教書育人上作用明顯，但隨著我們高等教育由精英教育向大眾教育轉變，大學生是天之驕子的時代已經不復存在了，現狀是“就業難”和“人才荒”并存。

傳統教育模式沒有考慮尊重學生的個性化，沒有分析學生基本特征、學習能力、學習興趣等差異，因此一直也沒有實現自孔子提出的“因材施教”教學思想，即個性化教育。鑒于此，無論是教育學界的專家、學者還是各級學校的各類教師，都對此進行了積極的探索。遺憾的是，直到今天還是沒有找到行之有效的方案。其根本原因是教學者無法全面掌握學生的學習基礎、學習進度，也不能實時掌握學生的實際學習效果和動態調整學生的學習內容或改變學習路徑。

在互聯網+、物聯網、大數據時代，基于前期“數字化”校園的成果，完成數據智能采集、量化、分析與預測等功能，從而能使個性化培養理念得到普及。因此，教育中的“大數據”，為個性化教育提供了機遇，能夠完成培養學習者的創新能力。

分析有關文獻資料，例如國內研究者崔曉鸞、趙雪飛、王娟等都只是在cnki或Web of Science數據源上采用共詞分析法、詞頻分析法、文獻計量法、科學知識圖譜法總結了關于教育方面大數據的研究熱點和趨勢[3-5]，而沒有對基于大數據的個性化學習研究的總結沒有發現。因此，本文擬通過CNKI數據庫，采用共詞分詞法和計量分析法，對國內個性化學習、基于大數據個性化學習的研究文獻進行分析，揭示目前個性化學習研究熱點、基于大數據的個性化學習發展趨勢，以及存在的不足，并對研究中存在的問題提出建議。

1 研究方法與工具

1.1 研究方法

共詞分析法是基于內容分析的一種方法，主要是通過對能夠表達某一學科領域研究主題或研究方向的專業術語共同出現在一篇文獻中的現象的分析，判斷學科領域中主題間的關系，從而展現該學科的研究結構[6]。

1.2 研究工具及操作方法

本研究主要采用書目共現分析系統(bicomb)[7]、VOSviewer[8]軟件，輔助使用Excel軟件。首先使用bicomb處理cnki導出的NoteFirst文件，對年份、雜志社、單位、高頻關鍵詞進行統計，并生成高頻關鍵詞共現矩陣，接著使用VOSviewer軟件可視化處理。

2 數據源

本次研究的數據源來源于cnki，采用cnki的高級檢索方式。第一次檢索的主題為：個性化學習，截止到2018年2月3日，共檢索出了10189篇相關文獻。在第一檢索結果的基礎上進行了第二次檢索，主題為：個性化學習，詞頻包含大數據，截止到2018年2月3日，共檢索出了279篇相關文獻。

3 可視化研究結果及分析

3.1 個性化學習的共詞矩陣可視化及分析

利用書目共現分析系統(bicomb)，頻次閾值＞=95，對第一次搜索所得10189篇文獻進行了共詞矩陣可視化分析，效果如圖1。由圖1可知，為了找到高效獲取知識的有效途徑，個性化教學、個性化學習一直專家、學者所關心的話題。以前，因為受技術條件的限制，雖然進行了大量的研究和嘗試，但是一直沒有找到切實可行的方法?，F在，隨著互聯網+、物聯網、大數據、人工智能技術的發展，涉及到遠程教育、大數據、數據挖掘等關鍵詞的研究文獻逐漸增多，而且在個性化學習研究中取得的成果也越來越有現實意義。

圖1 個性化學習的共詞矩陣可視化圖

3.2 基于大數據的個性化研究結果及分析

3.2.1 論文年度分布圖譜

截至到2017年12月，統計了基于大數據個性化學習的研究論文，其分布圖如下：

圖2顯示，基于大數據的個性化學習研究成果，2013～2017年穩步上升，主要原因是2013年是我國大數據元年，教育領域開展了如火如荼的教育改革和創新發展的研究，包括學生個性化學習和學習數據分析。隨著互聯網+、物聯網技術、大數據分析技術完善，國家宏觀政策的支撐，個性化學習需求也推進了學習大數據分析技術的發展，論文的數量也逐年增加。

圖2 基于大數據個性化學習的文獻統計

3.2.2 雜志、研究單位分布統計

利用bicomb，頻次閾值＞=2，對所有雜志、單位的關鍵詞進行了統計分析，結果如表1、2所示。表1顯示，發表文獻數量最多的為《中國電化教育》、《遠程教育雜志》、《中國信息技術教育》、《電化教育研究》、《中國教育信息化》、《現代遠距離教育》、《中國成人教育》等雜志，都是我國教育技術界比較權威的期刊。圖2所示，研究機構大部分是國內著名師范學校，如：東北師范大學、西北師范大學、北京師范大學，出現的頻次較多。由此可見，國內對教育大數據的研究不僅有一定的熱度，而且有較高的研究質量。

表1 文獻來源統計表

表2 文獻單位統計表

3.2.3 文獻高頻關鍵詞分布統計

利用bicomb，頻次閾值為9，對所有文獻的關鍵詞進行了統計分析，結果如表3所示。從表3可以發現，國內學者已經意識到了大數據對教育的影響力，借助大數據技術、互聯網+等技術力量對教育模式進行改革勢在必行。學習過程、個性化教育等關鍵詞的頻次不高，說明教育大數據的來源不齊全，除了結構化數據外，還需要收集學習非結構的數據，如學生的學習態度、狀態等。

表3 文獻高頻關鍵詞統計表

3.3 高頻詞共現矩陣

利用bicomb，頻次閾值為3，導出高頻詞共現矩陣，結果如表4所示。大數據與個性化學習、數據挖掘、學習過程的相關度為35、5、0，個性化學習與數據挖掘、學習過程、個性化教育的相關度為4、0、0，學習分析與數據挖掘、學習過程、個性化教育的相關度為3、0、1，說明國內學者已經利用教育大數據進行分析，并且把結論用于個性化化學習研究，但對學生學習過程數據的潛在價值還需要進一步挖掘。

表4 高頻詞共現矩陣

3.4 共詞可視化

使用VOSviewer處理bicomb導出共現矩陣文件，生成網絡可視化圖3。圖3中圓圈的大小和標簽字體大小代表關鍵詞重要性大小，連線的粗細代表關鍵詞之間的關系強弱。由圖3可知，大數據、個性化學習、學習分析等關鍵詞是當前研究的中心，而學習過程、個性化、數據挖掘在外圍區域說明利用基于大數據技術的個性化學習研究深度還不夠，主要體現為對學生學習數據的收集、數據分析研究不足。

4 結束語

本研究通過分析文獻數據找到當前教育大數據在個性化學習中的熱點和趨勢。由于數據源單一，對于教育大數據收集、獲取的途徑還需要進一步拓寬。不僅要收集學生結構化數據，成績和基本情況等數據，還要收集學生非結構化數據，如學生的心理活動、學習過程中的各種數據。此外，對數據挖掘能力的研究也需要進一步加強，而且沒有利用其他文獻統計分析工具進行對比分析和佐證。

圖3 基于大數據個性化學習的共現矩陣可視化圖

參考文獻(References):

[1]劉繼勇,鄧敏.個性化教育:大學生創新能力培養的根本途徑[J].江西社會科學,2001.5:129-131

[2]李偉光.當代大學生個性化教育與創新能力培養[J].長春師范大學學報,2016.35(5):141-143

[3]崔曉鸞,趙可云.大數據在教育領域的研究熱點及發展趨勢——基于共詞分析的可視化研究[J].現代遠距離教育,2016.4:79-85

[4]趙雪飛,乜勇.基于詞頻分析的國內外教育大數據研究現狀分析[J].中國醫學教育技術,2016.30(5):527-531

[5]王娟,陳世超,王林麗等.基于CiteSpace的教育大數據研究熱點與趨勢分析[J].現代教育技術,2016.26(2):5-13

[6]龐恩旭.我國核心期刊的現狀分析與研究[J].圖書館論壇,2004.24(2):15-18

[7]崔雷,劉偉,閆雷等.文獻數據庫中書目信息共現挖掘系統的開發[J].現代圖書情報技術,2008.24(8):70-75

[8]VOSviewer[EB/OL］.[2011-01-01］.http://www.vosviewer.